Результаты сотрудничества с Ocean Protocol
Токенизированные экосистемы (например, рынки курирования) требуют эффективных механизмов для распространения собственных токенов. Кривые связывания - это многообещающая непрерывная модель токенов, в которой стимулируется раннее внедрение, а цена корректируется в зависимости от текущего предложения.
Однако чрезвычайно сложно рассуждать о вероятном поведении пользователя в результате конкретной настройки кривой связывания. Мы считаем, что моделирование и симуляция системы могут дать неоценимую информацию и направить процесс проектирования.
1. Введение
В этом отчете обсуждаются результаты тестирования настройки кривой связи с помощью инструмента моделирования Incentivai. Целью анализа является наблюдение за поведением жадных агентов машинного обучения для выявления моделей поведения, которые могут возникнуть после развертывания системы для реальных пользователей.
Этот вводный анализ фокусируется на поведении жадных спекулянтов (пользователи ищут прибыль, а не покупают токены активов для своей функциональности) и общих характеристиках системы. Последующий анализ должен включать, но не ограничиваться:
- модель полезности токена актива (использование и потенциальная внутренняя стоимость)
- распространенность и характеристики возможных атак с опережением
- альтернативные характеристики и параметризация кривой склеивания
- внедрение моделирования кривой склеивания в качестве компонента проектируемой большой системы
План этого отчета следующий. В следующем разделе резюмируются основные выводы и заключения. В разделах 3 и 4 представлены основные концепции кривой связывания токенов и настройки моделирования Incentivai соответственно. Результаты экспериментов обсуждаются в разделе 5 с акцентом на стратегии агентов в разделе 6. Наконец, в Приложении включены визуализации 5 прогонов моделирования.
2. Основные выводы
- Цена токена актива постоянно достигает и колеблется около значения 50 000 (с учетом настройки кривой привязки и предполагаемого бюджета пользователей).
- Цена токена актива более волатильна, когда его первоначальное распределение неравномерно.
3. Кривая сцепления
Кривая связывания - это модель ценообразования токенов , где цена покупки, tp, определяется текущим предложением, tc, нового токена (источник). Новый токен называется токеном актива, и его цена зависит от ссылочного токена, который считается средством обмена. В этом анализе кривая соответствует уравнению:
Следовательно, стоимость покупки токенов v может быть определена как соответствующая область под кривой связывания из уравнения:
Спекулянты могут воспользоваться системой, покупая токен актива, ожидая, пока другие последуют за ним, и выходя из своей позиции. Эту атаку иногда называют накачкой и сбросом, поскольку спекулянты пытаются искусственно увеличить цену токена, которая существенно падает, как только они продадут обратно.
В разделах 5 и 6 этот вид поведения анализируется более подробно. Главное - найти подходящее время для выхода, когда цена токена вряд ли продолжит расти.
4. Настройка моделирования
Система кривой связывания представлена как среда, в которой агенты машинного обучения могут наблюдать за ее текущим состоянием и возможными действиями: отсутствие действий (пропуск) или покупка / продажа токенов в соответствии с их бюджетными ограничениями. Агенты оценивают, какое действие наиболее выгодно для них, исходя из их цели, которая в случае жадности - накопить как можно больше богатства (будь то в активах или ссылочных токенах).
Настройка моделирования позволяет наблюдать за поведением системы в целом и, в частности, за эволюцией цены токена актива с течением времени. Кроме того, инструмент Incentivai дает представление о стратегиях, рассматриваемых агентами, путем анализа их уверенности в выборе оптимального действия и других действий, которые были рассмотрены (см. Раздел 6).
В моделировании предполагается участие двух типов пользователей:
- Агенты, которые следуют простой эвристике и составляют основу анализа. Они готовы участвовать в системе, но их бюджет ограничен, и они вряд ли пойдут на серьезные риски.
- Агенты машинного обучения, которые принимают решения на основе текущего состояния рынка и своих оценок того, что может произойти в будущем. Они готовы идти на риск и спекулировать до тех пор, пока предполагаемые последствия их действий им выгодны.
5. Результаты
Квадратичная кривая - это агрессивная модель ценообразования, при которой спекулянты могут много выиграть, если им удастся купить значительный объем по низкой цене, а затем продать в нужное время. Сценарии A и B показывают разные реализации моделирования одной и той же начальной установки.
Можно заметить, что поведение пользователей, которые первыми участвуют в схеме кривой связывания, оказывает большое влияние на последующую производительность системы. В частности, неравномерное распределение токенов делает цену токена более волатильной. Цена токена актива движется вокруг аналогичного равновесия (50 000), но с большей амплитудой.
5.1 Сценарий А
На рисунке 2 представлен сценарий A, в котором одному пользователю (агент 18) удается купить 100 токенов на раннем этапе. Синяя кривая отображает изменение цены токена актива с течением времени. Важные события (крупные сделки объемом 30 и выше) отмечены на графике.
В приведенном выше сценарии агенту 18 удается на раннем этапе взять под контроль большую часть токенов. Это приводит к очень нестабильной цене токена, поскольку агент может в одиночку вызывать большие колебания цен.
Агент 18 продает большую часть своих токенов активов на раннем этапе, а затем решает войти в другую крупную позицию (объем 50). Как только цена токена продолжит расти, они могут выйти и, наконец, продать большую часть остальных своих токенов позже (том 60). Каждая из этих крупномасштабных транзакций значительно меняет цену.
- Продать 70 с шагом 101
- Купить 50 на временном шаге 137 и продать 60 на временном шаге 240
- Продать 60 с шагом 347
В результате такого неравномерного распределения токенов активов его цена значительно колеблется вверх и вниз, начиная со значения 50 000, достигая максимального значения около 70 000 и снижаясь до 30 000.
5.2 Сценарий B
В сценарии B (рисунок 3) 5 разных пользователей совершают покупку на раннем этапе, что приводит к более равномерному распределению токена актива.
По-прежнему можно наблюдать аналогичные схемы входа-выхода, выполняемые отдельными агентами. Однако они имеют меньшую величину и распространены среди разных пользователей, а не доминируют среди них:
- Агент 19: Купите 30 на временном шаге 6 и продайте 30 на временном шаге 46.
- Агент 16: Купите 30 на временном шаге 333 и продайте 30 на временном шаге 340.
В результате цена токена актива менее волатильна, когда колеблется около 50000.
6. Анализ агентских стратегий.
Инструмент моделирования Incentivai использует специальный код, благодаря которому он представляет собой белый ящик. В какой-то степени возможно распаковать и понять решения, принимаемые агентами. Они приближаются к своей оптимальной стратегии, основываясь на том, что, вероятно, последует в будущем, прежде чем они решат, что делать сейчас. Это дает представление о том, почему агент решил предпринять определенное действие.
6.1 Сценарий А
В сценарии A (рисунок 2), шаг 101, агент 18 решает продать 70 из своих 100 токенов активов. Приведенная ниже таблица дает представление об этом решении, показывая 3 основных краткосрочных стратегии, рассмотренных агентом. В качестве примера стратегии я бы предложил продать 70 токенов активов сразу и 30 в следующий раз (в зависимости от частоты торгов агента).
Все три основные стратегии предполагали продажу почти всех токенов в ближайшее время. Интересно, что стратегии II и III предлагали подождать, предположительно в надежде, что другие пользователи купят токены и тем временем увеличат цену. Агент оценил, что связанный с этим риск будет слишком высоким, и решил немедленно продать 70 токенов активов.
6.2 Сценарий B
В сценарии B (рисунок 3) агент 16 покупает 40 токенов активов на раннем этапе (временной шаг 4) и не осуществляет продажу большого объема до временного шага 199. Мы можем анализировать решения, принятые на этом пути, которые привели к удержанию, а не продажу раньше.
На временном шаге 7 цена уже достигла 36,100, но, по оценкам агентов, она, вероятно, будет расти и дальше. Фактически, оптимальная стратегия, которую они нашли, - это купить еще 5 токенов активов, планируя сохранить и продать 40 позже.
На временном шаге 86, когда цена еще больше пошла вверх, решение агента все еще остается в силе, но вокруг него меньше уверенности.
Наконец, на временном шаге 199, когда цена пересекла отметку 55 000, продажа немедленно становится наиболее выгодным действием, которое следует предпринять.
Выводы
Моделирование и симуляция с помощью агентов машинного обучения позволяет оценить вероятное поведение пользователей, взаимодействующих с системой кривой связи. Были обнаружены жадные агенты, которые покупали токены и уходили, когда предполагалось, что дальнейшее повышение цены маловероятно. Это привело к волатильности цен, которая была особенно высокой, когда распределение токенов среди пользователей было неравномерным.
Приложение
Если вы нашли этот анализ интересным, пожалуйста, следите за Incentivai или посетите веб-сайт, чтобы узнать больше. Если вы и ваша команда хотели бы использовать инструмент моделирования Incentivai для своего анализа, пожалуйста, протяните руку.
Благодарности
Пользуясь случаем, хочу поблагодарить Трента МакКонаги, Димитри Де Джонге и Фанг Гонга из команды Ocean Protocol за их вклад и поддержку. Кроме того, я нашел бесценными идеи и ресурсы по моделям кривой склеивания, опубликованные Симоном де ла Рувьер.
Прочтите Правовая оговорка Incentivai
